Estatísticas e Big Data pca

3

Como visualizar a verdadeira dimensionalidade dos dados?

Eu tenho um conjunto de dados nominalmente 16-dimensional. Eu tenho cerca de 100 amostras em um caso e cerca de 20.000 em outro. Com base em várias análises exploratórias que conduzi usando PCA e mapas de calor, estou convencido de que a verdadeira dimensionalidade (ou seja, o número de dimensões …

8 data-visualization pca dimensionality-reduction

5

Artigos sobre análise fatorial bayesiana?

Estou interessado em ajustar um modelo semelhante à análise fatorial sobre retornos de ativos ou outros modelos variáveis latentes semelhantes. Quais são os bons artigos para ler sobre esse tópico? Estou particularmente interessado em como lidar com o fato de um modelo de análise fatorial ser idêntico sob uma mudança …

8 bayesian pca factor-analysis

4

Como testar se a variância explicada pelo primeiro fator do PCA difere nas condições de medidas repetidas?

Contexto: Eu tenho um estudo em que seis variáveis numéricas são medidas em cada uma das duas condições experimentais de medidas repetidas (n = 200). Vamos chamar as condições e e as variáveis e . Teoricamente, espero que, na condição mais variações nas variáveis sejam explicadas pelo primeiro fator de …

8 r correlation statistical-significance pca

5

Técnica de redução de dimensionalidade para maximizar a separação de clusters conhecidos?

Então, digamos que eu tenha vários pontos de dados em R ^ n, onde n é bem grande (tipo 50). Sei que esses dados se enquadram em 3 clusters e sei em qual cluster cada ponto de dados faz parte. Tudo o que eu quero fazer é visualizar esses clusters …

8 clustering pca dimensionality-reduction data-visualization

1

Plotar um discriminante como linha no gráfico de dispersão

Dado um gráfico de dispersão de dados, posso plotar os principais componentes dos dados , como eixos lado a lado com pontos que são pontuações nos componentes principais. Você pode ver um exemplo de plotagem com a nuvem (consistindo em 2 clusters) e seu primeiro componente principal. Ele é desenhado …

8 pca discriminant-analysis scatterplot

1

Por que as pessoas usam o PCA quando há tantos problemas?

(Essa é uma pergunta simples) Recentemente, eu estou aprendendo a Análise de componentes principais e parece ter muitos problemas: É necessário transformar os dados em aproximadamente a mesma escala antes de aplicar o PCA, mas como a escala do recurso deve ser executada não é especificada. Estandardização? Dimensionamento para o …

8 self-study pca multivariate-analysis interpretation reproducible-research

2

Por que os autovetores de PCA são ortogonais, mas correlacionados?

Eu já vi ótimos posts explicando o PCA e por que, sob essa abordagem, os autovetores de uma matriz de correlação (simétrica) são ortogonais. Também entendo as maneiras de mostrar que esses vetores são ortogonais entre si (por exemplo, pegar os produtos cruzados da matriz desses vetores próprios resultará em …

8 r correlation pca orthogonal

1

PCA é para CCA como para ICA?

O PCA procura fatores nos dados que maximizam a variação explicada. A análise de correlação canônica (CCA), até onde eu entendo, é como um PCA, mas procura por fatores que maximizem a covariância cruzada entre dois conjuntos de dados. Portanto, encontre fatores semelhantes ao pca, comuns a dois conjuntos de …

8 pca canonical-correlation ica

2

Por que os autovetores de PCA são ortogonais e qual a relação com as pontuações de PCA que não estão correlacionadas?

Estou lendo sobre o PCA e entendo a maior parte do que está acontecendo em termos de derivação, além da suposição de que os autovetores precisam ser ortogonais e como isso se relaciona com as projeções (pontuações do PCA) não correlacionadas? Tenho duas explicações fornecidas abaixo, que usam um link …

8 mathematical-statistics pca eigenvalues

1

No PCA, existe uma maneira sistemática de descartar variáveis para maximizar a segregação de duas populações?

Estou tentando investigar, usando a análise de componentes principais, se é possível adivinhar com boa confiança de qual população ("Aurignaciana" ou "Gravetiana") veio um novo ponto de dados. Um ponto de dados é descrito por 28 variáveis, a maioria das quais são frequências relativas de artefatos arqueológicos. As demais variáveis …

7 classification pca multivariate-analysis feature-selection archaeology

1

Normalizando todas as variáveis vs. usando a opção scale = TRUE no prcomp em R

Qual é a diferença entre normalizando as variáveis e fazendo PCA; usando a scale=TRUEopção (sem normalizar as variáveis) na prcompfunção em R?

7 r pca

3

Usando PCA em um conjunto de dados de imagem antes da classificação com uma rede neural

Eu tenho uma matriz de dados de imagem que é o número de exemplos de imagens é o número de pixels da imagem: , porque cada imagem é uma imagem 3 canais . Além disso, cada uma das 50000 imagens pertence a 1 de 10 classes possíveis. Ou seja, existem …

7 machine-learning classification neural-networks pca image-processing

1

Modelos probabilísticos para mínimos quadrados parciais, regressão de classificação reduzida e análise de correlação canônica?

Esta questão resulta da discussão que se segue a uma pergunta anterior: Qual é a conexão entre mínimos quadrados parciais, regressão de classificação reduzida e regressão de componentes principais? Para a análise de componentes principais, um modelo probabilístico comumente usado é x=λ−−√wz+ϵ∈Rp,x=λwz+ϵ∈Rp,\mathbf x = \sqrt{\lambda} \mathbf{w} z + \boldsymbol \epsilon …

7 pca latent-variable partial-least-squares canonical-correlation reduced-rank-regression

Perguntas com a marcação «pca»